現網CPU飆高，Full GC告警
https://www.cnblogs.com/QG-whz/p/9647614.html
問題出現：現網CPU飆高，Full GC告警
CGI 服務發布到現網后，現網機器出現了Full GC告警，同時CPU飆高99%。在優先恢復現網服務正常后，開始着手定位Full GC的問題。在現場只能夠抓到四個GC線程占用了很高的CPU，無法抓到引發Full GC的線程。查看了服務故障期間的錯誤日志，發現更多的是由於Full GC引起的問題服務異常日志，無法確定Full GC的根源。為了查找問題的根源，只能從發布本身入手去查問題，發現一次bugfix的提交，有可能觸發一個死循環邏輯：
for(int i = 1 ;i <= totalPage ;i++) {
String path = path_prefix + "?cmd=txt_preview&page=" + String.valueOf(i) + "&sign=" + fileSignature;
url_list.add(path);
}
循環中的參數totalPage為long類型，由一個外部參數進行賦值。當外部參數非常大，超過int的最大值時，i遞增到int的最大值后，i++會發生翻轉，變成一個負數，從而使for會進入死循環。利用下面這段代碼可以試驗：
public static void main(String[] args) {
long totalPage = Long.MAX_VALUE;
for(int i = 0 ;i<totalPage;i++){
if(i<0){
System.out.println(i);
}
}
}
通過日志，發現外部確實傳遞了一個非常大的參數：
確認了當命中邏輯的時候，會進入一個死循環。在循環中不斷進行字符串的拼接與list的Add操作，很快就會耗盡JVM堆內存導致Full GC。經過測算，實際上並不需要死循環，只要是一個比較大的循環，就能夠引發Full GC。對totlePage的大小做了限定后，發布了新版本，沒有再出現Full GC的問題。
回到頂部
現場還原：重現問題，探索定位思路
回顧排查問題的過程並不高效，最開始懷疑過是否是打包有問題或使用的jdk版本不對，花了較多的時間確認打包問題。另一方面，發布帶出的代碼較多，通過重復review代碼無法很快鎖定問題。為了探索一種更有效的問題定位方法，我將有問題的代碼重新部署到機器上，手動構造請求觸發bug，探索定位此類問題的通用思路。
如何確定bug可以導致CPU飆升？為何會引發OOM？
1） 在Java服務上開啟JMX，在本地使用VisualVm來查看Java服務在運行過程中的內存、GC、線程等信息。VisualVM是Sun的一個OpenJDK項目，它是集成了多個JDK命令工具的一個可視化工具，它主要用來監控JVM的運行情況，可以用它來查看和瀏覽Heap Dump、Thread Dump、內存對象實例情況、GC執行情況、CPU消耗以及類的裝載情況，也可以使用它來創建必要信息的日志。
可以看到邏輯被命中的時候，CPU確實是升到100%的，此時也發生了Full GC告警。嘗試着多發了幾次請求，服務直接就掛掉了。這里有個問題是：不是已經Full GC了嗎，為什么還會發生OOM？實際上，雖然JVM已經開始回收內存，但是由於對象被引用，這些內存是回收不掉的。從GC日志可以看到回收的情況：
從GC日志中可以看到，新生代的Eden區域與老年代都已經被占滿。如果新生代放不下對象的時候，object會直接被放到老年代中。除了GC日志，也可以使用jstat命令來堆Java堆內存的使用情況進行統計展示:
jstat -gcutil 12309 1000 10
1000為統計的間隔，單位為毫秒，10為統計的次數，輸出如下：
從輸出中同樣可以看到E（Eden）區與O（Old）區都已經被占滿了。其他幾個輸出項的含義如下：
YGC: 從啟動到采樣時Young Generation GC的次數
YGCT: 從啟動到采樣時Young Generation GC所用的時間 (s).
FGC: 從啟動到采樣時Old Generation GC的次數.
FGCT: 從啟動到采樣時Old Generation GC所用的時間 (s).
GCT: 從啟動到采樣時GC所用的總時間 (s).
可以看到JVM一直在嘗試回收老年代，但是一直沒能將內存回收回來。
如何獲取占用CPU最高的線程id？
2）可以登上機器，確認下是什么線程使CPU飆高。先ps查看Java進程的PID：
拿到進程pid后，可以使用top命令，來看是什么線程占用了CPU。
top -p 12309 -H
-p用於指定進程，-H用於獲取每個線程的信息，從top輸出的內容，可以看到有四個線程占用了非常高的CPU：
到這里可以拿到12313、12312、12311、12314這四個線程id。為了確定這些是什么線程，需要使用jstack命令來查看這幾個是什么線程。
高占用CPU的是什么線程？
3) jstack是java虛擬機自帶的一種堆棧跟蹤工具，用於打印出給定的java進程ID或core file或遠程調試服務的Java堆棧信息。使用下面命令，將java進程的堆棧信息打印到文件中：
jstack -l 12309 > stack.log
在線程堆棧信息中，線程id是使用十六進制來表示的。將上面四個四個線程id轉換為16進制，分別是0X3019、0X3018、0x3017、0x301A。在stack.log中可以找到這幾個線程：
到這里可以確定的是，死循環引發了Full GC,四個GC線程一直嘗試着回收內存，這四個線程將CPU占滿。
是哪些對象占用了內存？
4）Full GC、OOM、CPU被占滿的問題都得到了解答。那么再次遇到類似的線上問題時，如何確定或者縮小問題范圍，找到導致問題的代碼呢？這時候需要進一步觀察的是Java堆內存的信息，查看是什么對象占用了內存。可以使用上文提到的VisualVM來生成headdump文件：
也可以在機器上使用jmap命令來生成head dump文件。
jmap -dump:live,format=b,file=headInfo.hprof 12309
live這個參數表示我們需要抓取的是目前在生命周期內的內存對象，也就是說GC收不走的對象，在這種場景下，我們需要的就是這些內存的信息。生成了hprof文件后，可以拉回到本地，使用VisualVM來打開它進行分析。打開后可以看到：
從信息中可以看到，字符串char[]在占了內存的73%，因此可以確定的是內存泄漏與字符串有關。通常生成的headdump文件會很大，也可以使用下面的命令，來查看占用內存最多的類型：
jmap -histo 12309 > heap.log
輸出內容如下：
能否對堆內對象進行查詢？
5） 到這里突然有個想法，如果能夠分析出相似度高的字符串，那么有比較大的可能是這些字符串存在泄漏，從而可以縮小問題代碼的范圍。確實是有這么一種工具來對堆內的對象進行分析，也就是OQL（Object Query Language）,在VisualVM中可以對headdump文件執行對象查詢，下面是一個示例，查找包含內容最多的List：
select map(top(heap.objects('java.util.ArrayList'), 'rhs.size - lhs.size', 5),"toHtml(it)+'='+it.size")
查詢結果如下：
如何查找到相似度最高的字符串，還在繼續學習研究中。
回到頂部
一些疑問與總結
1）為什么無法抓到引發Full GC的線程？一個猜測是線程拋出OOM異常之后就被終止了，線程只存活了很短的時間。
2）為什么對Eden區回收后存活的對象，不會被拷貝到survivor區？從上面的GC日志可以看到，BeforeGC 與 AfterGC，新生代中的兩個survivor區（也就是from\to）一直都是0%，這里猜想可能是survivor區太小，沒有足夠的空間存放從Eden區拷貝拷貝過來的對象。同時老年代也沒有足夠的空間（已經99%了），因此JVM的GC基本沒有什么有效的回收操作。
3）重現問題時，在日志里發現了一個OOM的錯誤信息：
java.lang.OutOfMemoryError: GC overhead limit exceeded
這種情況發生的原因是, 程序基本上耗盡了所有的可用內存, GC也清理不了。JVM執行垃圾收集的時間比例太大, 有效的運算量太小. 默認情況下, 如果GC花費的時間超過 98%, 並且GC回收的內存少於 2%, JVM就會拋出這個錯誤。從這里也可以看到GC線程一直在嘗試回收內存，但是回收效果實在太差，也就是第二點提到的。
4）當時在線上環境出現問題時，看到很多log4j的錯誤日志信息，是什么原因？猜測大概是寫日志的I/O操作要經過內存，而內存已經被使用光，無法進行寫操作所導致。這些問題都可以進一步研究。
對於一般的OOM問題，通過這幾個方面的思考，大致可以鎖定問題所在，或是縮小問題可能發生的范圍。例如對某些特定類型的內存泄漏來說，到這一步已經可以分析出是什么類型導致內存泄漏。而對本案例來說，根據排查結果可以優先考慮的是字符串的泄露，代碼review中查看是否有操作字符串的地方，而不會將問題的優先級鎖定在打包問題上。
(完)